Sumber: piksel mentah.com
AI Percakapan adalah aplikasi LLM yang telah memicu banyak perhatian dan perhatian karena skalabilitasnya di banyak industri dan kasus penggunaannya. Meskipun sistem percakapan telah ada selama beberapa dekade, LLM telah memberikan dorongan kualitas yang diperlukan untuk penerapannya dalam skala besar. Pada artikel ini, kita akan menggunakan model mental yang ditunjukkan pada Gambar 1 untuk membedah aplikasi AI percakapan (lih. Membangun produk AI dengan model mental holistik untuk pengenalan model mental). Setelah mempertimbangkan peluang pasar dan nilai bisnis sistem AI percakapan, kami akan menjelaskan โmesinโ tambahan dalam hal data, penyempurnaan LLM, dan desain percakapan yang perlu disiapkan agar percakapan tidak hanya dapat dilakukan tetapi juga bermanfaat. dan menyenangkan.
1. Peluang, nilai, dan keterbatasan
Desain UX tradisional dibangun berdasarkan banyak elemen UX buatan, gesekan, ketukan, dan klik, yang memerlukan kurva pembelajaran untuk setiap aplikasi baru. Dengan menggunakan AI percakapan, kita dapat menghilangkan kesibukan ini, menggantinya dengan pengalaman elegan berupa percakapan yang mengalir secara alami sehingga kita dapat melupakan transisi antara berbagai aplikasi, jendela, dan perangkat. Kami menggunakan bahasa, protokol universal dan familiar untuk komunikasi, untuk berinteraksi dengan berbagai asisten virtual (VA) dan menyelesaikan tugas kami.
UI percakapan bukanlah hal baru yang sedang populer. Sistem respons suara interaktif (IVR) dan chatbots telah ada sejak tahun 1990an, dan kemajuan besar dalam NLP diikuti oleh gelombang harapan dan pengembangan antarmuka suara dan obrolan. Namun, sebelum masa LLM, sebagian besar sistem diterapkan dalam paradigma simbolik, mengandalkan aturan, kata kunci, dan pola percakapan. Mereka juga terbatas pada domain โkompetensiโ spesifik yang telah ditentukan sebelumnya, dan pengguna yang melakukan aktivitas di luar domain tersebut akan segera menemui jalan buntu. Secara keseluruhan, sistem ini ditambang dengan potensi titik kegagalan, dan setelah beberapa upaya yang membuat frustrasi, banyak pengguna tidak pernah kembali lagi ke sistem tersebut. Gambar berikut mengilustrasikan contoh dialog. Seorang pengguna yang ingin memesan tiket untuk konser tertentu dengan sabar menjalani alur interogasi yang mendetail, hanya untuk mengetahui di akhir bahwa konser tersebut terjual habis.
Sebagai teknologi yang memungkinkan, LLM dapat membawa antarmuka percakapan ke tingkat kualitas dan kepuasan pengguna yang baru. Sistem percakapan sekarang dapat menampilkan pengetahuan dunia yang lebih luas, kompetensi linguistik, dan kemampuan percakapan. Dengan memanfaatkan model yang telah dilatih sebelumnya, model tersebut juga dapat dikembangkan dalam rentang waktu yang jauh lebih singkat karena pekerjaan membosankan dalam menyusun aturan, kata kunci, dan alur dialog kini digantikan oleh pengetahuan statistik LLM. Mari kita lihat dua aplikasi terkemuka di mana AI percakapan dapat memberikan nilai dalam skala besar:
- Dukungan pelanggan dan, secara lebih umum, aplikasi yang digunakan oleh banyak pengguna yang sering mengajukan permintaan serupa. Di sini, perusahaan yang menyediakan dukungan pelanggan memiliki keunggulan informasi yang jelas dibandingkan pengguna dan dapat memanfaatkannya untuk menciptakan pengalaman pengguna yang lebih intuitif dan menyenangkan. Pertimbangkan kasus pemesanan ulang penerbangan. Bagi saya sendiri, seorang frequent flyer, ini adalah sesuatu yang terjadi 1โ2 kali per tahun. Di sela-sela itu, saya cenderung melupakan detail prosesnya, apalagi tentang antarmuka pengguna maskapai penerbangan tertentu. Sebaliknya, dukungan pelanggan maskapai penerbangan memiliki permintaan pemesanan ulang di bagian depan dan tengah operasi mereka. Alih-alih mengekspos proses pemesanan ulang melalui antarmuka grafis yang rumit, logikanya dapat โdisembunyikanโ dari pelanggan yang menghubungi dukungan, dan mereka dapat menggunakan bahasa sebagai saluran alami untuk melakukan pemesanan ulang. Tentu saja, masih akan ada โbuntut panjangโ permintaan yang kurang dikenal. Misalnya, bayangkan perubahan suasana hati secara spontan yang mendorong pelanggan bisnis untuk menambahkan anjing kesayangannya sebagai kelebihan bagasi ke penerbangan yang dipesan. Permintaan yang lebih individual ini dapat diteruskan ke agen manusia atau dicakup melalui sistem manajemen pengetahuan internal yang terhubung ke asisten virtual.
- Manajemen pengetahuan yang didasarkan pada sejumlah besar data. Bagi banyak perusahaan modern, pengetahuan internal yang mereka kumpulkan selama bertahun-tahun beroperasi, melakukan iterasi, dan belajar merupakan aset inti dan pembeda โ jika disimpan, dikelola, dan diakses dengan cara yang efisien. Karena banyaknya data yang tersembunyi di alat kolaborasi, wiki internal, basis pengetahuan, dll., mereka sering kali gagal mengubahnya menjadi pengetahuan yang dapat ditindaklanjuti. Saat karyawan keluar, karyawan baru bergabung, dan Anda tidak pernah menyelesaikan halaman dokumentasi yang Anda mulai tiga bulan lalu, pengetahuan berharga menjadi korban entropi. Semakin sulit untuk menemukan jalan keluar dari labirin data internal dan mendapatkan sedikit informasi yang diperlukan dalam situasi bisnis tertentu. Hal ini menyebabkan hilangnya efisiensi yang sangat besar bagi pekerja berpengetahuan. Untuk mengatasi masalah ini, kita dapat menambah LLM dengan pencarian semantik pada sumber data internal. LLM mengizinkan penggunaan pertanyaan bahasa alami alih-alih pertanyaan formal yang rumit untuk mengajukan pertanyaan terhadap database ini. Dengan demikian pengguna dapat fokus pada kebutuhan informasi mereka daripada pada struktur basis pengetahuan atau sintaks bahasa query seperti SQL. Karena berbasis teks, sistem ini bekerja dengan data dalam ruang semantik yang kaya, membuat koneksi yang bermakna โdi balik terpalโ.
Di luar area aplikasi utama ini, terdapat banyak aplikasi lain, seperti telehealth, asisten kesehatan mental, dan chatbot pendidikan, yang dapat menyederhanakan UX dan memberikan nilai bagi penggunanya dengan cara yang lebih cepat dan efisien.
Jika konten pendidikan yang mendalam ini bermanfaat bagi Anda, Anda bisa berlangganan milis penelitian AI kami untuk diperingatkan ketika kami merilis materi baru.
2. Data
LLM awalnya tidak dilatih untuk terlibat dalam obrolan ringan yang lancar atau percakapan yang lebih penting. Sebaliknya, mereka belajar menghasilkan token berikut pada setiap langkah inferensi, yang pada akhirnya menghasilkan teks yang koheren. Tujuan tingkat rendah ini berbeda dengan tantangan percakapan manusia. Percakapan sangatlah intuitif bagi manusia, namun menjadi sangat kompleks dan berbeda ketika Anda ingin mengajari mesin untuk melakukannya. Misalnya, mari kita lihat gagasan mendasar tentang niat. Saat kita menggunakan bahasa, kita melakukannya untuk tujuan tertentu, yaitu maksud komunikatif kita โ bisa untuk menyampaikan informasi, bersosialisasi, atau meminta seseorang melakukan sesuatu. Meskipun dua yang pertama cukup mudah untuk LLM (selama LLM telah melihat informasi yang diperlukan dalam data), yang terakhir sudah lebih menantang. LLM tidak hanya perlu menggabungkan dan menyusun informasi terkait dengan cara yang koheren, namun juga perlu mengatur nada emosional yang tepat dalam hal kriteria lunak seperti formalitas, kreativitas, humor, dll. Ini merupakan tantangan untuk desain percakapan (lih. bagian 5), yang terkait erat dengan tugas menciptakan penyempurnaan data.
Melakukan transisi dari generasi bahasa klasik ke mengenali dan merespons maksud komunikatif tertentu merupakan langkah penting menuju kegunaan dan penerimaan sistem percakapan yang lebih baik. Untuk semua upaya penyesuaian, hal ini dimulai dengan kompilasi kumpulan data yang sesuai.
Data yang disempurnakan harus sedekat mungkin dengan distribusi data dunia nyata (di masa depan). Pertama, data tersebut harus berupa data percakapan (dialog). Kedua, jika asisten virtual Anda akan berspesialisasi dalam domain tertentu, Anda harus mencoba mengumpulkan data penyesuaian yang mencerminkan pengetahuan domain yang diperlukan. Ketiga, jika ada alur dan permintaan umum yang akan sering berulang dalam aplikasi Anda, seperti dalam kasus dukungan pelanggan, cobalah untuk memasukkan beragam contoh hal ini ke dalam data pelatihan Anda. Tabel berikut memperlihatkan contoh data penyesuaian percakapan dari Kumpulan Data Percakapan 3K untuk ChatBot, yang tersedia gratis di Kaggle:
Membuat data percakapan secara manual bisa menjadi pekerjaan yang mahal โ crowdsourcing dan menggunakan LLM untuk membantu Anda menghasilkan data adalah dua cara untuk meningkatkannya. Setelah data dialog dikumpulkan, percakapan tersebut perlu dinilai dan diberi anotasi. Hal ini memungkinkan Anda menunjukkan contoh positif dan negatif kepada model Anda dan mendorongnya untuk mengambil karakteristik percakapan yang โbenarโ. Penilaian dapat dilakukan dengan skor absolut atau peringkat pilihan yang berbeda satu sama lain. Pendekatan terakhir menghasilkan penyesuaian data yang lebih akurat karena manusia biasanya lebih baik dalam menentukan peringkat berbagai pilihan dibandingkan mengevaluasinya secara terpisah.
Dengan data yang tersedia, Anda siap menyempurnakan model dan memperkayanya dengan kemampuan tambahan. Di bagian selanjutnya, kita akan melihat penyesuaian, mengintegrasikan informasi tambahan dari memori dan pencarian semantik, dan menghubungkan agen ke sistem percakapan Anda untuk memberdayakannya dalam menjalankan tugas tertentu.
3. Merakit sistem percakapan
Sistem percakapan tipikal dibangun dengan agen percakapan yang mengatur dan mengoordinasikan komponen dan kemampuan sistem, seperti LLM, memori, dan sumber data eksternal. Pengembangan sistem AI percakapan adalah tugas yang sangat eksperimental dan empiris, dan pengembang Anda akan selalu bolak-balik antara mengoptimalkan data, meningkatkan strategi penyesuaian, bermain dengan komponen dan penyempurnaan tambahan, dan menguji hasilnya. . Anggota tim non-teknis, termasuk manajer produk dan desainer UX, juga akan terus menguji produk tersebut. Berdasarkan aktivitas penemuan pelanggan, mereka berada dalam posisi yang baik untuk mengantisipasi gaya dan konten percakapan pengguna di masa depan dan harus secara aktif menyumbangkan pengetahuan ini.
3.1 Mengajarkan keterampilan percakapan ke LLM Anda
Untuk penyesuaian, Anda memerlukan data penyesuaian (lih. bagian 2) dan LLM terlatih. LLM sudah tahu banyak tentang bahasa dan dunia, dan tantangan kami adalah mengajari mereka prinsip-prinsip percakapan. Dalam penyesuaian, keluaran target adalah teks, dan model akan dioptimalkan untuk menghasilkan teks yang semirip mungkin dengan target. Untuk penyempurnaan yang diawasi, pertama-tama Anda harus mendefinisikan dengan jelas tugas AI percakapan yang ingin dilakukan model, mengumpulkan data, dan menjalankan serta mengulangi proses penyempurnaan.
Dengan hype seputar LLM, berbagai metode penyesuaian telah muncul. Untuk contoh penyesuaian percakapan yang agak tradisional, Anda dapat merujuk ke deskripsi model LaMDA.[1] LaMDA disempurnakan dalam dua langkah. Pertama, data dialog digunakan untuk mengajarkan model keterampilan percakapan (โgeneratifโ fine-tuning). Kemudian, label yang dihasilkan oleh anotator selama penilaian data digunakan untuk melatih pengklasifikasi yang dapat menilai keluaran model berdasarkan atribut yang diinginkan, yang mencakup kewajaran, kekhususan, ketertarikan, dan keamanan (penyesuaian โdiskriminatifโ). Pengklasifikasi ini kemudian digunakan untuk mengarahkan perilaku model terhadap atribut-atribut ini.
Selain itu, landasan faktual โ kemampuan untuk mendasarkan keluaran mereka pada informasi eksternal yang kredibel โ merupakan atribut penting dari LLM. Untuk memastikan landasan faktual dan meminimalkan halusinasi, LaMDA telah disesuaikan dengan kumpulan data yang melibatkan panggilan ke sistem pengambilan informasi eksternal kapan pun pengetahuan eksternal diperlukan. Dengan demikian, model belajar untuk mengambil informasi faktual terlebih dahulu setiap kali pengguna membuat kueri yang memerlukan pengetahuan baru.
Teknik penyesuaian populer lainnya adalah Reinforcement Learning from Human Feedback (RLHF)[2]. RLHF โmengarahkanโ proses pembelajaran LLM dari tugas prediksi token berikutnya yang sederhana namun dibuat-buat ke arah mempelajari preferensi manusia dalam situasi komunikatif tertentu. Preferensi manusia ini secara langsung dikodekan dalam data pelatihan. Selama proses anotasi, manusia diberikan petunjuk dan menuliskan respons yang diinginkan atau memberi peringkat pada serangkaian respons yang ada. Perilaku LLM kemudian dioptimalkan untuk mencerminkan preferensi manusia.
3.2 Menambahkan data eksternal dan pencarian semantik
Selain mengumpulkan percakapan untuk menyempurnakan model, Anda mungkin ingin menyempurnakan sistem Anda dengan data khusus yang dapat dimanfaatkan selama percakapan. Misalnya, sistem Anda mungkin memerlukan akses ke data eksternal, seperti paten atau makalah ilmiah, atau data internal, seperti profil pelanggan atau dokumentasi teknis Anda. Hal ini biasanya dilakukan melalui pencarian semantik (juga dikenal sebagai retrieval-augmented generation, atau RAG)[3]. Data tambahan disimpan dalam database dalam bentuk penyematan semantik (lih. artikel ini untuk penjelasan tentang embeddings dan referensi lebih lanjut). Saat permintaan pengguna masuk, permintaan tersebut diproses terlebih dahulu dan diubah menjadi penyematan semantik. Pencarian semantik kemudian mengidentifikasi dokumen yang paling relevan dengan permintaan dan menggunakannya sebagai konteks permintaan. Dengan mengintegrasikan data tambahan dengan penelusuran semantik, Anda dapat mengurangi halusinasi dan memberikan respons yang lebih berguna dan berdasarkan fakta. Dengan terus memperbarui database penyematan, Anda juga dapat selalu memperbarui pengetahuan dan respons sistem Anda tanpa terus-menerus menjalankan ulang proses penyesuaian.
3.3 Memori dan kesadaran konteks
Bayangkan pergi ke pesta dan bertemu Peter, seorang pengacara. Anda menjadi bersemangat dan mulai meluncurkan chatbot legal yang saat ini Anda rencanakan untuk dibuat. Peter terlihat tertarik, mencondongkan tubuh ke arahmu, uhm dan mengangguk. Pada titik tertentu, Anda menginginkan pendapatnya tentang apakah dia ingin menggunakan aplikasi Anda. Alih-alih pernyataan informatif yang mengimbangi kefasihan Anda, Anda malah mendengar: โUhmโฆ apa yang dilakukan aplikasi ini lagi?โ
Kontrak komunikasi tidak tertulis di antara manusia mengandaikan bahwa kita mendengarkan lawan bicara kita dan membangun tindak tutur kita sendiri berdasarkan konteks yang kita ciptakan bersama selama interaksi. Dalam lingkungan sosial, munculnya pemahaman bersama ini menjadi ciri percakapan yang bermanfaat dan memperkaya. Dalam situasi yang lebih biasa seperti memesan meja restoran atau membeli tiket kereta api, ini merupakan kebutuhan mutlak untuk menyelesaikan tugas dan memberikan nilai yang diharapkan kepada pengguna. Hal ini mengharuskan asisten Anda mengetahui riwayat percakapan saat ini, tetapi juga percakapan sebelumnya โ misalnya, asisten tidak boleh menanyakan nama dan detail pribadi lainnya dari pengguna berulang kali setiap kali mereka memulai percakapan.
Salah satu tantangan dalam menjaga kesadaran konteks adalah resolusi koreferensi, yaitu memahami objek mana yang dirujuk oleh kata ganti. Manusia secara intuitif menggunakan banyak isyarat kontekstual ketika mereka menafsirkan bahasa โ misalnya, Anda dapat bertanya kepada seorang anak kecil, โTolong keluarkan bola hijau dari kotak merah dan berikan kepada saya,โ dan anak tersebut akan mengetahui bahwa yang Anda maksud adalah bola tersebut. , bukan kotaknya. Untuk asisten virtual, tugas ini bisa jadi cukup menantang, seperti yang diilustrasikan dalam dialog berikut:
Asisten: Terima kasih, sekarang saya akan memesan penerbangan Anda. Apakah Anda juga ingin memesan makanan untuk penerbangan Anda?
Pengguna: Uhmโฆ bisakah aku memutuskan nanti apakah aku menginginkannya?
Asisten: Maaf, penerbangan ini tidak dapat diubah atau dibatalkan nantinya.
Di sini, asisten gagal mengenali kata ganti itu it dari pengguna tidak mengacu pada penerbangan, tetapi pada makanan, sehingga memerlukan iterasi lain untuk memperbaiki kesalahpahaman ini.
3.4 Pagar pembatas tambahan
Sesekali, bahkan LLM terbaik pun akan berperilaku buruk dan berhalusinasi. Dalam banyak kasus, halusinasi adalah masalah akurasi yang jelas โ dan, Anda harus menerima bahwa tidak ada AI yang 100% akurat. Dibandingkan dengan sistem AI lainnya, โjarakโ antara pengguna dan AI agak kecil antara pengguna dan AI. Masalah akurasi yang biasa dapat dengan cepat berubah menjadi sesuatu yang dianggap beracun, diskriminatif, atau umumnya berbahaya. Selain itu, karena LLM tidak memiliki pemahaman yang melekat tentang privasi, mereka juga dapat mengungkapkan data sensitif seperti informasi identitas pribadi (PII). Anda dapat melawan perilaku ini dengan menggunakan pagar pembatas tambahan. Alat seperti Guardrails AI, Rebuff, NeMo Guardrails, dan Microsoft Guidance memungkinkan Anda mengurangi risiko sistem Anda dengan merumuskan persyaratan tambahan pada keluaran LLM dan memblokir keluaran yang tidak diinginkan.
Berbagai arsitektur dimungkinkan dalam AI percakapan. Skema berikut menunjukkan contoh sederhana tentang bagaimana LLM, data eksternal, dan memori yang disempurnakan dapat diintegrasikan oleh agen percakapan, yang juga bertanggung jawab atas konstruksi cepat dan pagar pembatas.
4. Pengalaman pengguna dan desain percakapan
Pesona antarmuka percakapan terletak pada kesederhanaan dan keseragamannya di berbagai aplikasi. Jika masa depan antarmuka pengguna adalah semua aplikasi terlihat kurang lebih sama, apakah pekerjaan desainer UX akan gagal? Jelas tidak โ percakapan adalah seni yang harus diajarkan kepada LLM Anda sehingga dapat melakukan percakapan yang bermanfaat, alami, dan nyaman bagi pengguna Anda. Desain percakapan yang baik muncul ketika kita menggabungkan pengetahuan kita tentang psikologi manusia, linguistik, dan desain UX. Berikut ini, pertama-tama kita akan mempertimbangkan dua pilihan dasar ketika membangun sistem percakapan, yaitu apakah Anda akan menggunakan suara dan/atau obrolan, serta konteks sistem Anda yang lebih luas. Kemudian, kita akan melihat percakapan itu sendiri, dan melihat bagaimana Anda dapat merancang kepribadian asisten Anda sambil mengajarinya untuk terlibat dalam percakapan yang bermanfaat dan kooperatif.
4.1 Suara versus obrolan
Antarmuka percakapan dapat diimplementasikan menggunakan obrolan atau suara. Singkatnya, suara lebih cepat sementara obrolan memungkinkan pengguna tetap pribadi dan mendapatkan manfaat dari fungsionalitas UI yang diperkaya. Mari selami lebih dalam kedua opsi tersebut karena ini adalah salah satu keputusan pertama dan terpenting yang akan Anda hadapi saat membuat aplikasi percakapan.
Untuk memilih di antara dua alternatif tersebut, mulailah dengan mempertimbangkan pengaturan fisik di mana aplikasi Anda akan digunakan. Misalnya, mengapa hampir semua sistem percakapan di mobil, seperti yang ditawarkan oleh Nuance Communications, berbasis suara? Pasalnya, tangan pengemudi sudah sibuk dan tidak bisa terus-menerus berpindah antara setir dan keyboard. Hal ini juga berlaku untuk aktivitas lain seperti memasak, di mana pengguna ingin tetap mengikuti alur aktivitas mereka saat menggunakan aplikasi Anda. Mobil dan dapur sebagian besar merupakan tempat pribadi, sehingga pengguna dapat merasakan kegembiraan interaksi suara tanpa mengkhawatirkan privasi atau mengganggu orang lain. Sebaliknya, jika aplikasi Anda akan digunakan di lingkungan publik seperti kantor, perpustakaan, atau stasiun kereta, suara mungkin bukan pilihan pertama Anda.
Setelah memahami lingkungan fisik, pertimbangkan sisi emosionalnya. Suara dapat digunakan dengan sengaja untuk menyampaikan nada, suasana hati, dan kepribadian โ apakah hal ini menambah nilai dalam konteks Anda? Jika Anda membuat aplikasi untuk bersantai, suara mungkin meningkatkan faktor kesenangan, sementara asisten untuk kesehatan mental dapat mengakomodasi lebih banyak empati dan memungkinkan pengguna yang berpotensi bermasalah memiliki jangkauan ekspresi yang lebih luas. Sebaliknya, jika aplikasi Anda akan membantu pengguna dalam lingkungan profesional seperti perdagangan atau layanan pelanggan, interaksi yang lebih anonim dan berbasis teks mungkin berkontribusi pada keputusan yang lebih obyektif dan membuat Anda tidak perlu repot merancang pengalaman yang terlalu emosional.
Sebagai langkah selanjutnya, pikirkan tentang fungsinya. Antarmuka berbasis teks memungkinkan Anda memperkaya percakapan dengan media lain seperti gambar dan elemen UI grafis seperti tombol. Misalnya, dalam asisten e-niaga, aplikasi yang menyarankan produk dengan memposting gambar dan deskripsi terstruktur akan jauh lebih ramah pengguna dibandingkan aplikasi yang mendeskripsikan produk melalui suara dan berpotensi memberikan pengenalnya.
Terakhir, mari kita bahas tentang tantangan desain dan pengembangan tambahan dalam membangun UI suara:
- Ada langkah tambahan pengenalan ucapan yang terjadi sebelum masukan pengguna dapat diproses dengan LLM dan Natural Language Processing (NLP).
- Suara adalah media komunikasi yang lebih pribadi dan emosional โ oleh karena itu, persyaratan untuk merancang persona yang konsisten, sesuai, dan menyenangkan di belakang asisten virtual Anda lebih tinggi, dan Anda perlu mempertimbangkan faktor tambahan โdesain suaraโ seperti timbre , stres, nada, dan kecepatan berbicara.
- Pengguna mengharapkan percakapan suara Anda berlangsung dengan kecepatan yang sama seperti percakapan manusia. Untuk menawarkan interaksi alami melalui suara, Anda memerlukan latensi yang jauh lebih pendek dibandingkan dengan obrolan. Dalam percakapan manusia, jeda antar putaran biasanya adalah 200 milidetik. Respon cepat ini dimungkinkan karena kita mulai menyusun giliran sambil mendengarkan ucapan pasangan kita. Asisten suara Anda harus menyesuaikan dengan tingkat kefasihan interaksi ini. Sebaliknya, untuk chatbot, Anda bersaing dengan rentang waktu dalam hitungan detik, dan beberapa pengembang bahkan memperkenalkan penundaan tambahan untuk membuat percakapan terasa seperti obrolan yang diketik antar manusia.
- Komunikasi melalui suara merupakan hal yang linear dan hanya terjadi sekali saja โ jika pengguna Anda tidak memahami apa yang Anda katakan, Anda berada dalam proses klarifikasi yang membosankan dan rawan kesalahan. Oleh karena itu, giliran Anda harus sesingkat, sejelas, dan seinformatif mungkin.
Jika Anda memilih solusi suara, pastikan Anda tidak hanya memahami dengan jelas kelebihannya dibandingkan dengan chat, namun juga memiliki keterampilan dan sumber daya untuk mengatasi tantangan tambahan ini.
4.2 Di mana AI percakapan Anda akan berada?
Sekarang, mari pertimbangkan konteks yang lebih luas di mana Anda dapat mengintegrasikan AI percakapan. Kita semua akrab dengan chatbots di situs web perusahaan โ widget di sebelah kanan layar Anda yang muncul saat kita membuka situs web bisnis. Secara pribadi, lebih sering daripada tidak, reaksi intuitif saya adalah mencari tombol Tutup. Mengapa demikian? Melalui upaya awal untuk โberkomunikasiโ dengan bot ini, saya mengetahui bahwa mereka tidak dapat memenuhi persyaratan informasi yang lebih spesifik, dan pada akhirnya, saya masih perlu menyisir situs webnya. Pesan moral dari cerita ini? Jangan membuat chatbot karena keren dan trendi โ melainkan buatlah karena Anda yakin chatbot dapat menciptakan nilai tambah bagi pengguna Anda.
Di luar widget kontroversial di situs web perusahaan, ada beberapa konteks menarik untuk mengintegrasikan chatbot yang lebih umum yang dapat dilakukan dengan LLM:
- Kopilot: Asisten ini memandu dan memberi saran kepada Anda melalui proses dan tugas tertentu, seperti GitHub CoPilot untuk pemrograman. Biasanya, kopilot โterikatโ pada aplikasi tertentu (atau sekumpulan kecil aplikasi terkait).
- Manusia sintetis (juga manusia digital): Makhluk-makhluk ini โmeniruโ manusia nyata di dunia digital. Mereka berpenampilan, bertindak, dan berbicara seperti manusia sehingga juga membutuhkan kemampuan percakapan yang kaya. Manusia sintetis sering digunakan dalam aplikasi imersif seperti game, augmented reality, dan virtual reality.
- Kembar digital: Kembar digital adalah โsalinanโ digital dari proses dan objek dunia nyata, seperti pabrik, mobil, atau mesin. Mereka digunakan untuk mensimulasikan, menganalisis, dan mengoptimalkan desain dan perilaku objek nyata. Interaksi bahasa alami dengan kembaran digital memungkinkan akses yang lebih lancar dan serbaguna ke data dan model.
- Database: Saat ini, data tersedia mengenai topik apa pun, baik itu rekomendasi investasi, cuplikan kode, atau materi pendidikan. Yang sering kali sulit adalah menemukan data yang sangat spesifik yang dibutuhkan pengguna dalam situasi tertentu. Antarmuka grafis ke database terlalu kasar atau ditutupi dengan widget pencarian dan filter yang tidak ada habisnya. Bahasa kueri serbaguna seperti SQL dan GraphQL hanya dapat diakses oleh pengguna dengan keahlian yang sesuai. Solusi percakapan memungkinkan pengguna untuk menanyakan data dalam bahasa alami, sedangkan LLM yang memproses permintaan secara otomatis mengubahnya menjadi bahasa kueri yang sesuai (lih. artikel ini untuk penjelasan Text2SQL).
4.3 Mencetak kepribadian pada asisten Anda
Sebagai manusia, kita terprogram untuk melakukan antropomorfisasi, yaitu memunculkan ciri-ciri manusia tambahan ketika kita melihat sesuatu yang samar-samar mirip dengan manusia. Bahasa adalah salah satu kemampuan manusia yang paling unik dan menakjubkan, dan produk percakapan secara otomatis akan diasosiasikan dengan manusia. Orang-orang akan membayangkan seseorang di balik layar atau perangkat mereka โ dan merupakan praktik yang baik untuk tidak membiarkan orang tertentu tersebut berada dalam imajinasi pengguna Anda, namun memberikannya kepribadian yang konsisten dan selaras dengan produk dan merek Anda. Proses ini disebut โdesain personaโ.
Langkah pertama dalam desain persona adalah memahami ciri-ciri karakter yang ingin ditampilkan oleh persona Anda. Idealnya, hal ini sudah dilakukan pada tingkat data pelatihan โ misalnya, saat menggunakan RLHF, Anda dapat meminta anotator Anda untuk mengurutkan data berdasarkan ciri-ciri seperti membantu, sopan santun, menyenangkan, dll., untuk membuat model bias terhadap karakteristik yang diinginkan. Karakteristik ini dapat disesuaikan dengan atribut merek Anda untuk menciptakan citra konsisten yang terus mempromosikan merek Anda melalui pengalaman produk.
Di luar karakteristik umum, Anda juga harus memikirkan bagaimana asisten virtual Anda akan menghadapi situasi tertentu di luar โjalan bahagiaโ. Misalnya, bagaimana cara merespons permintaan pengguna yang berada di luar cakupannya, menjawab pertanyaan tentang dirinya sendiri, dan menangani bahasa yang kasar atau vulgar?
Penting untuk mengembangkan pedoman internal yang eksplisit tentang persona Anda yang dapat digunakan oleh anotator data dan perancang percakapan. Hal ini akan memungkinkan Anda merancang persona Anda dengan cara yang terarah dan menjaganya tetap konsisten di seluruh tim Anda dan seiring berjalannya waktu, saat aplikasi Anda mengalami beberapa kali pengulangan dan penyempurnaan.
4.4 Menjadikan percakapan bermanfaat dengan โprinsip kerja samaโ
Pernahkah Anda mendapat kesan sedang berbicara dengan tembok bata padahal sebenarnya Anda sedang berbicara dengan manusia? Terkadang, kita mendapati lawan bicara kita tidak tertarik untuk mengarahkan percakapan menuju kesuksesan. Untungnya, dalam banyak kasus, segalanya lebih lancar, dan manusia secara intuitif akan mengikuti โprinsip kerja samaโ yang diperkenalkan oleh filsuf bahasa Paul Grice. Menurut prinsip ini, manusia yang berhasil berkomunikasi satu sama lain mengikuti empat prinsip, yaitu kuantitas, kualitas, relevansi, dan cara.
Maksim kuantitas
Maksim kuantitas meminta pembicara untuk bersikap informatif dan memberikan kontribusinya seinformatif yang diperlukan. Di sisi asisten virtual, ini juga berarti memajukan percakapan secara aktif. Misalnya, pertimbangkan cuplikan berikut dari aplikasi mode e-niaga:
Asisten: Jenis pakaian apa yang sedang kamu cari?
Pengguna: Saya mencari gaun berwarna oranye.
Asisten: Jangan: Maaf, kami tidak memiliki gaun oranye saat ini.
Melakukan: Maaf, kami tidak memiliki gaun berwarna oranye, tetapi kami memiliki gaun berwarna kuning yang bagus dan sangat nyaman: โฆ
Pengguna berharap untuk meninggalkan aplikasi Anda dengan item yang sesuai. Menghentikan percakapan karena Anda tidak memiliki item yang sesuai dengan deskripsi pasti akan mematikan kemungkinan keberhasilan. Namun, jika aplikasi Anda memberikan saran tentang item alternatif, itu akan tampak lebih bermanfaat dan membiarkan opsi interaksi berhasil tetap terbuka.
Khususnya dalam interaksi suara, penting untuk menemukan keseimbangan yang tepat antara menyediakan semua informasi yang mungkin dibutuhkan pengguna agar berhasil dan tidak membebani mereka dengan informasi yang tidak perlu yang dapat mengaburkan interaksi.
Maksim kualitas
Maksim kualitas meminta penutur untuk jujur โโdan tidak mengatakan hal-hal yang mereka yakini salah atau tidak memiliki bukti yang memadai. Ada banyak subjektivitas dan keyakinan pribadi yang terlibat di sini โ dengan demikian, pepatah ini tidak dapat secara langsung diproyeksikan ke LLM. Seperti yang telah kita lihat, LLM cenderung berhalusinasi, dan risiko ini sangat tinggi ketika percakapan beralih ke wilayah yang kurang familiar. Pagar pembatas tambahan dapat digunakan untuk menghindari pernyataan yang menyesatkan dan mengembalikan pembicaraan ke jalur yang benar.
Maksim relevansi
Pepatah relevansi meminta kita untuk menjadi โ relevan. Sebagai prasyarat, asisten virtual harus memahami maksud sebenarnya dari pengguna. Berikut contoh asisten maskapai penerbangan yang melanggar aturan ini:
Pengguna: Saya perlu penerbangan dari Berlin ke Zurich besok pagi.
Asisten: Oke, saya menemukan penerbangan berikut dari Berlin ke Zurich untuk besok pagi. Penerbangan BZ36294 meninggalkan Berlin pada pukul 6.30 pagi dan tiba di Zurich pada pukul 8 pagi. Penerbangan BZ96294 meninggalkan Berlin pada pukul 8 pagi dan tiba pada pukul 9.30 pagi. Penerbangan BZ96294 meninggalkan Berlin pada pukul 8 pagi dan tiba di Zurich pada pukul 9.30 pagi. Penerbangan BZ95614 meninggalkan Berlin pada pukul 11 dan tiba di Zurich pada pukul 12.30. Ada juga kemungkinan penerbangan lanjutan, dalam hal ini Anda akan meninggalkan Berlin pada pukul 11.45 dan tiba di Zurich pada pukul 3.
Pengguna: Maafโฆ bisakah Anda mengulanginya lagi?
Asisten membanjiri pengguna dengan informasi mendetail yang mungkin tidak relevan. Dengan memecahnya dan membimbing pengguna untuk membatasi ruang pencarian mereka, dialog menjadi lebih mudah untuk dicerna:
Pengguna: Saya perlu penerbangan dari Berlin ke Zurich besok pagi.
Asisten: Oke, saya temukan penerbangan berangkat jam 6.30, 8, dan 11 pagi. Jam berapa Anda ingin berangkat?
Pengguna: Saya harus berada di Zurich sebelum jam 9 pagi.
Asisten: Oke, jadi Anda bisa naik penerbangan BZ36294. Berangkat pukul 6.30 dan tiba pukul 8 pagi. Haruskah aku membelikan tiketnya untukmu?
Pengguna: Ya terima kasih.
Maksim sopan santun
Terakhir, maksim cara menyatakan bahwa tindak tutur kita harus jelas, ringkas, dan teratur, serta menghindari ambiguitas dan ketidakjelasan ekspresi. Asisten virtual Anda harus menghindari jargon teknis atau internal, dan memilih formulasi yang sederhana dan dapat dimengerti secara universal.
Meskipun prinsip Grice berlaku untuk semua percakapan terlepas dari domain tertentu, LLM yang tidak dilatih secara khusus untuk percakapan sering kali gagal memenuhinya. Oleh karena itu, saat menyusun data pelatihan, penting untuk memiliki sampel dialog yang cukup sehingga model Anda dapat mempelajari prinsip-prinsip ini.
Domain desain percakapan berkembang cukup cepat. Baik Anda sudah membuat produk AI atau memikirkan jalur karier Anda di bidang AI, saya mendorong Anda untuk menggali lebih dalam topik ini (lihat pengantar yang sangat bagus di [5] dan [6]). Ketika AI berubah menjadi komoditas, desain yang baik dan strategi data yang dapat dipertahankan akan menjadi dua pembeda penting bagi produk AI.
Kesimpulan
Mari kita rangkum poin-poin penting dari artikel ini. Selain itu, Gambar 5 menawarkan โlembar contekanโ dengan poin-poin utama yang dapat Anda unduh sebagai referensi.
- LLM meningkatkan AI percakapan: Model Bahasa Besar (LLM) telah meningkatkan kualitas dan skalabilitas aplikasi AI percakapan secara signifikan di berbagai industri dan kasus penggunaan.
- AI Percakapan dapat menambah banyak nilai pada aplikasi dengan banyak permintaan pengguna serupa (misalnya layanan pelanggan) atau yang memerlukan akses data tidak terstruktur dalam jumlah besar (misalnya manajemen pengetahuan).
- Data: Menyempurnakan LLM untuk tugas percakapan memerlukan data percakapan berkualitas tinggi yang mencerminkan interaksi dunia nyata. Data crowdsourcing dan LLM dapat menjadi sumber daya berharga untuk meningkatkan pengumpulan data.
- Menyatukan sistem: Mengembangkan sistem AI percakapan adalah proses berulang dan eksperimental yang melibatkan optimalisasi data secara konstan, penyesuaian strategi, dan integrasi komponen.
- Mengajarkan keterampilan percakapan kepada LLM: Menyempurnakan LLM melibatkan pelatihan mereka untuk mengenali dan merespons maksud dan situasi komunikatif tertentu.
- Menambahkan data eksternal dengan pencarian semantik: Mengintegrasikan sumber data eksternal dan internal menggunakan pencarian semantik meningkatkan respons AI dengan memberikan informasi yang lebih relevan secara kontekstual.
- Memori dan kesadaran konteks: Sistem percakapan yang efektif harus menjaga kesadaran konteks, termasuk melacak riwayat percakapan saat ini dan interaksi masa lalu, untuk memberikan respons yang bermakna dan koheren.
- Menetapkan pagar pembatas: Untuk memastikan perilaku yang bertanggung jawab, sistem AI percakapan harus menerapkan pagar pembatas untuk mencegah ketidakakuratan, halusinasi, dan pelanggaran privasi.
- Desain persona: Merancang persona yang konsisten untuk asisten percakapan Anda sangat penting untuk menciptakan pengalaman pengguna yang kohesif dan bermerek. Karakteristik persona harus selaras dengan atribut produk dan merek Anda.
- Suara vs. obrolan: Memilih antara antarmuka suara dan obrolan bergantung pada faktor-faktor seperti pengaturan fisik, konteks emosional, fungsionalitas, dan tantangan desain. Pertimbangkan faktor-faktor ini saat memutuskan antarmuka untuk AI percakapan Anda.
- Integrasi dalam berbagai konteks: AI Percakapan dapat diintegrasikan dalam berbagai konteks, termasuk kopilot, manusia sintetis, kembaran digital, dan database, masing-masing dengan kasus penggunaan dan persyaratan tertentu.
- Memperhatikan Prinsip Kerja Sama: Mengikuti prinsip kuantitas, kualitas, relevansi, dan cara dalam percakapan dapat membuat interaksi dengan AI percakapan menjadi lebih bermanfaat dan ramah pengguna.
Referensi
[1] Heng-Tze Chen dkk. 2022. LaMDA: Menuju Model Dialog yang Aman, Beralas, dan Berkualitas Tinggi untuk Semuanya.
[2] OpenAI. 2022. ObrolanGPT: Mengoptimalkan Model Bahasa untuk Dialog. Diakses pada 13 Januari 2022.
[3] Patrick Lewis dkk. 2020. Retrieval-Augmented Generation untuk Tugas NLP Intensif Pengetahuan.
[4]Paul Grice. 1989. Studi di Jalan Kata-kata.
[5] Cathy Mutiara. 2016. Perancangan Antarmuka Pengguna Suara.
[6] Michael Cohen dkk. 2004. Desain Antarmuka Pengguna Suara.
Catatan: Semua gambar adalah milik penulis, kecuali dinyatakan lain.
Artikel ini awalnya diterbitkan pada Menuju Ilmu Data dan diterbitkan kembali ke TOPBOTS dengan izin dari penulis.
Selamat menikmati artikel ini? Mendaftar untuk lebih banyak pembaruan penelitian AI.
Kami akan memberi tahu Anda ketika kami merilis lebih banyak artikel ringkasan seperti ini.
terkait
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 11
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 35%
- 41
- 7
- 70
- 8
- 9
- a
- kemampuan
- kemampuan
- Tentang Kami
- Mutlak
- Setuju
- penerimaan
- mengakses
- diakses
- dapat diakses
- menampung
- menyelesaikan
- Menurut
- Akun
- Mengumpulkan
- ketepatan
- tepat
- di seluruh
- Bertindak
- aktif
- kegiatan
- kegiatan
- tindakan
- sebenarnya
- menambahkan
- menambahkan
- Tambahan
- Informasi Tambahan
- Selain itu
- alamat
- Adopsi
- uang muka
- Keuntungan
- keuntungan
- menasihati
- Setelah
- lagi
- terhadap
- Agen
- agen
- silam
- AI
- ai penelitian
- Sistem AI
- perusahaan penerbangan
- AL
- meluruskan
- selaras
- Semua
- mengizinkan
- memungkinkan
- hampir
- sepanjang
- sudah
- juga
- alternatif
- alternatif
- am
- Kemenduaan
- antara
- an
- menganalisa
- dan
- Anonim
- Lain
- mengharapkan
- Apa pun
- aplikasi
- muncul
- Aplikasi
- aplikasi
- berlaku
- pendekatan
- sesuai
- aplikasi
- ADALAH
- daerah
- sekitar
- Tiba
- Seni
- artikel
- artikel
- buatan
- AS
- meminta
- meminta
- menilai
- dinilai
- penilaian
- aset
- membantu
- Asisten
- asisten
- terkait
- At
- Mencoba
- perhatian
- atribut
- menambah
- ditambah
- penulis
- secara otomatis
- tersedia
- menghindari
- menghindari
- kesadaran
- jauh
- kembali
- kembali ke jalur
- Saldo
- bola
- mendasarkan
- berdasarkan
- dasar
- BE
- karena
- menjadi
- menjadi
- menjadi
- sebelum
- laku
- perilaku
- di belakang
- makhluk
- keyakinan
- Percaya
- tercinta
- manfaat
- Berlin
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- Luar
- prasangka
- Bit
- pemblokiran
- Book
- kedua
- bot
- Kotak
- merek
- bermerek
- merek
- pelanggaran
- Melanggar
- membawa
- lebih luas
- Terbawa
- membangun
- Bangunan
- dibangun di
- bisnis
- sibuk
- tapi
- tombol
- membeli
- Pembelian
- by
- bernama
- Panggilan
- datang
- CAN
- tidak bisa
- kemampuan
- Lowongan Kerja
- mobil
- kasus
- kasus
- cathy
- pusat
- menantang
- tantangan
- menantang
- kesempatan
- berubah
- Saluran
- karakter
- karakteristik
- mencirikan
- ChatBot
- chatbots
- ChatGPT
- chen
- anak
- pilihan
- pilihan
- memilih
- jelas
- Jelas
- Penyelesaian
- rapat
- Pakaian
- awan
- kode
- cohen
- KOHEREN
- kompak
- kolaborasi
- koleksi
- menggabungkan
- bagaimana
- datang
- nyaman
- komoditi
- menyampaikan
- Komunikasi
- komunikasi
- Perusahaan
- perusahaan
- dibandingkan
- bersaing
- kompleks
- komponen
- komponen
- konser
- ringkas
- Mengadakan
- terhubung
- Menghubungkan
- Koneksi
- Mempertimbangkan
- mengingat
- konsisten
- konstan
- terus-menerus
- membangun
- konstruksi
- kontak
- Konten
- konteks
- Konteks
- kontekstual
- terus menerus
- kontrak
- kontras
- menyumbang
- berkontribusi
- kontribusi
- kontroversial
- Percakapan
- percakapan
- AI percakapan
- percakapan
- dingin
- kerja sama
- koperasi
- Core
- Sesuai
- bisa
- sepasang
- Kelas
- tercakup
- membuat
- membuat
- kreativitas
- makhluk
- kredibel
- kriteria
- Crowdsourcing
- terbaru
- Sekarang
- melengkung
- pelanggan
- Layanan Pelanggan
- Customer Support
- pelanggan
- data
- strategi data
- Basis Data
- database
- mati
- transaksi
- dekade
- memutuskan
- Memutuskan
- keputusan
- lebih dalam
- menetapkan
- pastinya
- Derajat
- menunda
- tergantung
- deskripsi
- Mendesain
- perancang
- desainer
- merancang
- diinginkan
- terperinci
- rincian
- mengembangkan
- dikembangkan
- pengembang
- berkembang
- Pengembangan
- alat
- Devices
- dialog
- Dialog
- berbeda
- pembeda
- sulit
- DIG
- intisari
- digital
- Kembar digital
- dunia digital
- langsung
- penemuan
- Display
- distribusi
- menyelam
- do
- dokumentasi
- dokumen
- tidak
- Anjing
- melakukan
- domain
- dilakukan
- Dont
- Doomed
- Download
- pengemudi
- dua
- selama
- e
- e-commerce
- E&T
- setiap
- mudah
- edukasi
- Efektif
- efisiensi
- efisien
- antara
- elemen
- embedding
- muncul
- munculnya
- muncul
- empati
- karyawan
- memberdayakan
- memungkinkan
- mendorong
- akhir
- usaha keras
- Tak berujung
- mengikutsertakan
- Mesin
- mempertinggi
- Perangkat tambahan
- Meningkatkan
- nikmat
- cukup
- memperkaya
- diperkaya
- memperkaya
- memastikan
- Enterprise
- terutama
- penting
- dll
- mengevaluasi
- Bahkan
- akhirnya
- pERNAH
- bukti
- persis
- contoh
- contoh
- unggul
- Kecuali
- kelebihan
- gembira
- menarik
- menjalankan
- ada
- mengharapkan
- diharapkan
- mahal
- pengalaman
- eksperimental
- Menjelaskan
- penjelasan
- ekspresi
- luar
- Menghadapi
- faktor
- pabrik
- faktor
- GAGAL
- gagal
- Kegagalan
- Air terjun
- palsu
- akrab
- sangat menarik
- Fashion
- lebih cepat
- umpan balik
- merasa
- Angka
- menyaring
- menyelesaikan
- Menemukan
- Pertama
- cocok
- Memperbaiki
- penerbangan
- Penerbangan
- aliran
- Mengalir
- Mengalir
- Fokus
- mengikuti
- diikuti
- berikut
- Untuk
- bentuk
- resmi
- merumuskan
- Untung
- Depan
- ditemukan
- empat
- sering
- sering
- dari
- depan
- membuat frustrasi
- Memenuhi
- kesenangan
- fungsi
- mendasar
- lebih lanjut
- masa depan
- game
- celah
- mengumpulkan
- Umum
- umumnya
- menghasilkan
- generasi
- mendapatkan
- GitHub
- diberikan
- Go
- Pergi
- akan
- baik
- besar
- Hijau
- Tanah
- bimbingan
- membimbing
- pedoman
- memiliki
- tangan
- terjadi
- Terjadi
- Sulit
- berbahaya
- Memiliki
- he
- Kesehatan
- mendengar
- membantu
- bermanfaat
- dia
- di sini
- Tersembunyi
- High
- berkualitas tinggi
- lebih tinggi
- sangat
- -nya
- sejarah
- Memukul
- holistik
- berharap
- berharap
- PANAS
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- besar
- manusia
- Manusia
- humor
- Hype
- i
- idealnya
- pengidentifikasi
- mengidentifikasi
- if
- menggambarkan
- gambar
- gambar
- imajinasi
- membayangkan
- immersive
- diimplementasikan
- penting
- ditingkatkan
- meningkatkan
- in
- secara mendalam
- memasukkan
- Termasuk
- menggabungkan
- Meningkatkan
- luar biasa
- secara mandiri
- sendiri-sendiri
- industri
- menimbulkan
- informasi
- informatif
- inheren
- mulanya
- memulai
- input
- sebagai gantinya
- mengintegrasikan
- terpadu
- Mengintegrasikan
- integrasi
- maksud
- dengan sengaja
- berinteraksi
- interaksi
- interaksi
- interaktif
- Sistem respons suara interaktif
- tertarik
- Antarmuka
- interface
- intern
- terjalin
- ke
- memperkenalkan
- diperkenalkan
- Pengantar
- perkenalan
- intuitif
- investasi
- rekomendasi investasi
- terlibat
- melibatkan
- isolasi
- isu
- masalah
- IT
- item
- perulangan
- iterasi
- NYA
- Diri
- IVR
- Januari
- jargon
- Pekerjaan
- bersama
- jpg
- hanya
- Menjaga
- kunci
- kata kunci
- Jenis
- Tahu
- pengetahuan
- Manajemen Pengetahuan
- dikenal
- Label
- Kekurangan
- bahasa
- Bahasa
- besar
- besar-besaran
- lebih besar
- Latensi
- kemudian
- pengacara
- terkemuka
- Memimpin
- BELAJAR
- belajar
- pengetahuan
- Meninggalkan
- meninggalkan
- Warisan
- Informasi
- meminjamkan
- kurang
- membiarkan
- Tingkat
- adalah ide yang bagus
- Leverage
- leveraged
- leveraging
- Lewis
- Perpustakaan
- terletak
- 'like'
- MEMBATASI
- Terbatas
- Listening
- hidup
- LLM
- logika
- Panjang
- melihat
- mencari
- TERLIHAT
- kerugian
- Lot
- banyak
- mesin
- terbuat
- mailing
- Utama
- memelihara
- mempertahankan
- utama
- membuat
- MEMBUAT
- Membuat
- berhasil
- pengelolaan
- Manajer
- cara
- banyak
- Pasar
- peluang pasar
- Cocok
- cocok
- bahan
- bahan
- max-width
- pepatah
- me
- berarti
- berarti
- cara
- Media
- medium
- pertemuan
- Anggota
- Memori
- mental yang
- Kesehatan mental
- metode
- Michael
- Microsoft
- mungkin
- milidetik
- beranjau
- menyesatkan
- salah paham
- model
- model
- modern
- saat
- bulan
- moral
- lebih
- lebih efisien
- Pagi
- paling
- kebanyakan
- bergerak
- banyak
- beberapa
- banyaknya
- harus
- my
- diri
- nama
- yaitu
- Alam
- Pengolahan Bahasa alami
- perlu
- kebutuhan
- Perlu
- dibutuhkan
- kebutuhan
- negatif
- tak pernah
- New
- aplikasi baru
- berikutnya
- nLP
- tidak
- non-teknis
- None
- biasanya
- terkenal
- Gagasan
- sekarang
- Nuansa
- jumlah
- banyak sekali
- Singkat
- obyek
- tujuan
- objek
- of
- lepas
- menawarkan
- ditawarkan
- Penawaran
- Office
- sering
- on
- sekali
- ONE
- hanya
- ke
- Buka
- OpenAI
- operasi
- Operasi
- Pendapat
- Peluang
- Kesempatan
- optimasi
- Optimize
- dioptimalkan
- mengoptimalkan
- pilihan
- Opsi
- or
- Jeruk
- urutan
- semula
- Lainnya
- Lainnya
- jika tidak
- kami
- di luar
- output
- di luar
- lebih
- luar biasa
- sendiri
- halaman
- dokumen
- pola pikir
- rekan
- pihak
- Lulus
- lalu
- Paten
- path
- sabar
- patrick
- pola
- paul
- Konsultan Ahli
- untuk
- dirasakan
- Melakukan
- izin
- orang
- pribadi
- Kepribadian
- Sendiri
- Petrus
- fisik
- memilih
- Film
- anggukan
- Tempat
- Polos
- perencanaan
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- Titik
- poin
- miskin
- pop
- Populer
- posisi
- positif
- kemungkinan
- mungkin
- potensi
- berpotensi
- praktek
- praktek
- ramalan
- preferensi
- disajikan
- mencegah
- prinsip
- prinsip-prinsip
- pribadi
- swasta
- memproses
- proses
- Diproses
- proses
- pengolahan
- Diproduksi
- Produk
- Produk
- profesional
- profil
- Pemrograman
- diproyeksikan
- menonjol
- mempromosikan
- protokol
- memberikan
- menyediakan
- menyediakan
- Psikologi
- publik
- diterbitkan
- tujuan
- Dorong
- mendorong
- kualitas
- kuantitas
- query
- Pertanyaan
- segera
- peringkat
- Peringkat
- agak
- reaksi
- siap
- nyata
- dunia nyata
- Kenyataan
- pengakuan
- mengenali
- mengenali
- rekomendasi
- berulang
- Merah
- Mendefinisikan ulang
- menurunkan
- lihat
- referensi
- referensi
- disebut
- mengacu
- mencerminkan
- mencerminkan
- terkait
- melepaskan
- relevansi
- relevan
- mengandalkan
- tinggal
- ulangi
- diganti
- balasan
- permintaan
- permintaan
- wajib
- Persyaratan
- membutuhkan
- penelitian
- menyerupai
- Resolusi
- Sumber
- Menanggapi
- menanggapi
- tanggapan
- tanggapan
- tanggung jawab
- restoran
- dihasilkan
- Hasil
- mengungkapkan
- Kaya
- benar
- Risiko
- Aturan
- aturan
- Run
- aman
- Safety/keselamatan
- Tersebut
- sama
- kepuasan
- disimpan
- mengatakan
- Skalabilitas
- Skala
- skala
- ilmiah
- cakupan
- Layar
- Pencarian
- Kedua
- detik
- Bagian
- melihat
- terlihat
- peka
- Seri
- layanan
- set
- pengaturan
- pengaturan
- beberapa
- harus
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- sisi
- menandatangani
- signifikan
- mirip
- Sederhana
- kesederhanaan
- sejak
- Duduk
- situasi
- situasi
- keterampilan
- kecil
- lebih halus
- potongan
- So
- Sosial
- mensosialisasikan
- Lunak
- terjual
- larutan
- Solusi
- beberapa
- Seseorang
- sesuatu
- kadang-kadang
- segera
- sumber
- Space
- rentang
- berbicara
- Pembicara
- speaker
- berbicara
- khusus
- tertentu
- Secara khusus
- kekhususan
- pidato
- Speech Recognition
- kecepatan
- awal
- mulai
- dimulai
- Pernyataan
- Laporan
- Negara
- stasiun
- statistik
- tinggal
- mengemudikan
- pengemudian
- Langkah
- Tangga
- Masih
- henti
- tersimpan
- Cerita
- mudah
- strategi
- Penyelarasan
- mempersingkat
- tekanan
- struktur
- tersusun
- studi
- gaya
- besar
- sukses
- sukses
- berhasil
- seperti itu
- Menyarankan
- cocok
- rangkaian
- meringkaskan
- RINGKASAN
- mendukung
- yakin
- Ayunan
- Beralih
- simbolis
- sintaksis
- sintetis
- sistem
- sistem
- tabel
- Mengambil
- Takeaways
- Berbicara
- pembicaraan
- Keran
- target
- target
- tugas
- tugas
- diajarkan
- Pengajaran
- tim
- Anggota tim
- Teknis
- teknik
- Teknologi
- telehealth
- istilah
- wilayah
- pengujian
- teks
- dari
- Terima kasih
- bahwa
- Grafik
- Masa depan
- informasi
- Dunia
- mereka
- Mereka
- diri
- kemudian
- Sana.
- Ini
- mereka
- hal
- berpikir
- Pikir
- Ketiga
- ini
- itu
- tiga
- Melalui
- Demikian
- tiket
- tiket
- waktu
- kali
- untuk
- bersama
- token
- besok
- NADA
- terlalu
- alat
- TOPBOT
- tema
- terhadap
- terhadap
- jalur
- Pelacakan
- Trading
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- berubah
- transisi
- transisi
- mengirimkan
- dipicu
- benar
- mencoba
- MENGHIDUPKAN
- Putar
- ternyata
- Kembar
- dua
- khas
- ui
- mengalami
- memahami
- dimengerti
- pemahaman
- unik
- Universal
- secara universal
- tidak perlu
- mutakhir
- Pembaruan
- memperbarui
- us
- kegunaan
- menggunakan
- bekas
- Pengguna
- Pengguna Pengalaman
- User Interface
- desain antarmuka pengguna
- user-friendly
- Pengguna
- kegunaan
- menggunakan
- ux
- Desain UX
- desainer ux
- desainer ux
- sah
- Berharga
- nilai
- variasi
- berbagai
- serba guna
- Lawan
- sangat
- melalui
- Korban
- maya
- Asisten virtual
- virtual reality
- Suara
- vs
- Vulgar
- W3
- Dinding
- ingin
- ingin
- adalah
- ombak
- Cara..
- cara
- we
- Kekayaan
- Situs Web
- situs web
- BAIK
- adalah
- Apa
- Apa itu
- Roda
- ketika
- kapan saja
- apakah
- yang
- sementara
- SIAPA
- mengapa
- akan
- Windows
- dengan
- tanpa
- kata
- Kerja
- pekerja
- dunia
- mengkhawatirkan
- akan
- menulis
- tahun
- tahun
- Kamu
- muda
- Anda
- zephyrnet.dll
- Zurich